Tensoren außerhalb der KI

Wer heute von Tensoren spricht, landet fast automatisch bei KI. Tensoren tauchen in Frameworks wie PyTorch, TensorFlow oder JAX auf, sie sind der Standardbehälter für Eingabedaten, Modellgewichte und Zwischenergebnisse. Dadurch entsteht schnell der Eindruck, Tensoren seien vor allem ein KI-Thema.

Das ist zu kurz gedacht.

Tensoren sind viel älter als Machine Learning und vor allem deutlich allgemeiner. Sie tauchen überall dort auf, wo mehrere Größen in strukturierter Form zusammenhängen und diese Zusammenhänge nicht nur nach Datenschema, sondern auch nach Richtung, Raum oder Wechselwirkung beschrieben werden müssen.

Genau deshalb spielen Tensoren in Physik, Simulationen, wissenschaftlichem Rechnen und Grafik eine zentrale Rolle.

Warum Tensoren mehr sind als „mehrdimensionale Arrays“

Im technischen Alltag werden Tensoren oft pragmatisch erklärt: Ein Skalar ist ein einzelner Wert, ein Vektor eine Liste, eine Matrix eine Tabelle, und alles mit noch mehr Achsen nennt man Tensor.

Für viele Software-Anwendungen reicht diese Sicht zunächst aus. Sie ist aber nur die halbe Wahrheit.

Ein Tensor ist nicht bloß ein Array mit mehreren Dimensionen. Entscheidender ist, wie sich eine Größe in Bezug auf andere Größen verhält.

Das ist der Grund, warum Tensoren in den Naturwissenschaften so wichtig sind:

• Sie beschreiben nicht nur Werte.
• Sie beschreiben Beziehungen zwischen Richtungen, Kräften, Spannungen oder Transformationen.
• Sie bleiben dabei auch dann sinnvoll, wenn man das Koordinatensystem ändert.

In der KI wird dieser tiefere Aspekt oft gar nicht gebraucht. Dort ist „Tensor“ im Alltag meist die praktische Datenstruktur für numerische Operationen. In der Physik und in Simulationen steckt deutlich mehr Bedeutung darin.

Tensoren in der Physik

Gerade in der Physik sieht man sehr klar, warum Vektoren und Matrizen irgendwann nicht mehr reichen.

Spannungen und Materialverhalten

Wenn man ein Material belastet, wirkt nicht einfach nur „eine Kraft“. In einem realen Körper wirken unterschiedliche Spannungen in verschiedene Richtungen:

• Druck
• Zug
• Scherung

Diese Größen hängen zusammen. Wer nur einzelne Werte oder einfache Vektoren betrachtet, verliert die Wechselwirkung zwischen den Richtungen.

Hier kommen Spannungstensoren ins Spiel. Sie beschreiben, wie Kräfte innerhalb eines Materials in verschiedene Richtungen wirken und wie sich das Material lokal verhält.

Das ist in der Praxis relevant für:

• Maschinenbau
• Baustatik
• Werkstoffanalyse
• Finite-Elemente-Simulationen

Ohne Tensoren wären viele dieser Berechnungen entweder unübersichtlich oder physikalisch unzureichend modelliert.

Allgemeine Relativitätstheorie

Ein noch bekannteres Beispiel ist die Relativitätstheorie. Dort reicht es nicht, Raum und Zeit als einfache Koordinatenlisten zu behandeln. Man braucht Objekte, die Krümmung, Energie, Impuls und Geometrie in einer Weise beschreiben, die unabhängig von der gewählten Darstellung mathematisch konsistent bleibt.

Deshalb spielt die allgemeine Relativitätstheorie so stark mit Tensoren:

• dem metrischen Tensor
• dem Energie-Impuls-Tensor
• Krümmungstensoren

Der entscheidende Punkt ist hier nicht, dass „viele Zahlen“ vorkommen, sondern dass physikalische Beziehungen in verschiedenen Koordinatensystemen dieselbe Bedeutung behalten müssen.

Tensoren sind dafür das richtige Werkzeug.

Tensoren in Simulationen

Sobald man reale Systeme numerisch simuliert, tauchen Tensoren fast zwangsläufig auf.

Das gilt für:

• Strömungssimulationen
• Wettermodelle
• Materialsimulationen
• Kontinuumsmechanik
• Mehrkörperprobleme

Warum? Weil reale Systeme meist nicht eindimensional sind. Sie bestehen aus Feldern, Zuständen und Wechselwirkungen, die sich im Raum und oft auch über die Zeit verändern.

Nehmen wir eine Strömungssimulation. Dort interessiert nicht nur, wie schnell sich ein Fluid bewegt, sondern:

• in welche Richtung es sich bewegt
• wie Druck und Geschwindigkeit zusammenhängen
• wie benachbarte Bereiche sich gegenseitig beeinflussen
• wie sich diese Größen über das gesamte Gitter entwickeln

In einfachen Fällen reichen skalare und vektorielle Felder. Sobald aber Richtungsabhängigkeiten, Spannungen oder gekoppelte Transformationen ins Spiel kommen, landet man wieder bei Tensoren.

Wissenschaftliches Rechnen ohne KI kommt kaum an ihnen vorbei

Auch außerhalb klassischer Physik tauchen Tensoren im wissenschaftlichen Rechnen ständig auf. Dort oft weniger als „große Theorie“, sondern als praktisches Arbeitsmodell.

Beispiele:

• numerische Lösung gekoppelter Gleichungssysteme
• Modellierung von Daten auf Gittern
• Verarbeitung hochdimensionaler Messdaten
• Signal- und Bildverarbeitung
• geowissenschaftliche und medizinische Daten

Hier überlappt die Welt manchmal mit der KI, aber der Zweck ist ein anderer. In der Wissenschaft geht es oft nicht primär um Vorhersage durch Training, sondern um Beschreibung, Analyse und Simulation.

Tensoren sind dort nützlich, weil sie strukturierte numerische Daten in einer Form halten, die für lineare Algebra, Transformationen und effiziente Berechnung geeignet ist.

Computergrafik und Rendering

Auch in der Computergrafik steckt deutlich mehr Tensor-Denken, als man auf den ersten Blick vermuten würde.

Zwar arbeiten viele Rendering-Pipelines im Alltag sichtbar mit:

• Vektoren
• Matrizen
• Transformationsketten

Aber die zugrunde liegenden Probleme sind oft tensorartig, weil Richtungen, Räume und Materialeigenschaften miteinander verknüpft werden.

Transformationen und Geometrie

Schon grundlegende 3D-Grafik arbeitet mit Transformationen:

• Verschiebung
• Rotation
• Skalierung
• Perspektivprojektion

Formal laufen diese Dinge im Alltag meist über Matrizen. Aber konzeptionell ist man längst in einer Welt, in der Richtungen und Beziehungen zwischen Achsen wichtig werden.

Materialmodelle und Lichttransport

Noch spannender wird es bei Material- und Beleuchtungsmodellen. Oberflächen reagieren je nach Richtung des einfallenden und ausgehenden Lichts unterschiedlich. Für einfache Echtzeitmodelle wird das oft vereinfacht. In physikalisch fundierterem Rendering oder in wissenschaftlicher Visualisierung reichen einfache Skalare schnell nicht mehr.

Auch hier zeigt sich derselbe Grundgedanke: Nicht nur Werte zählen, sondern strukturierte Beziehungen zwischen mehreren Richtungen und Zuständen.

Warum die KI den Begriff zwar populär gemacht hat, aber nicht besitzt

Dass Tensoren heute vor allem mit KI verbunden werden, hat einen einfachen Grund: Machine Learning ist der Bereich, in dem die meisten Entwickler aktuell am häufigsten direkt mit Tensor-APIs arbeiten.

In der Praxis heißt das:

• Eingabedaten als Tensor
• Batch-Daten als Tensor
• Gewichte als Tensor
• Aktivierungen als Tensor
• Gradienten als Tensor

Dadurch wird der Begriff im Software-Alltag stark vereinfacht. Ein Tensor ist dort oft schlicht die gemeinsame Recheneinheit für numerische Operationen auf CPU, GPU oder TPU.

Das ist nicht falsch, aber eben nur ein Ausschnitt.

Außerhalb der KI zeigt sich viel klarer, warum Tensoren ursprünglich ein eigenständiges mathematisches Konzept sind. Sie beschreiben Beziehungen, Richtungsabhängigkeiten und Transformationen in Systemen, die nicht auf einfache Listen oder Tabellen reduzierbar sind.

Warum Entwickler das trotzdem verstehen sollten

Nicht jeder Entwickler muss Tensorrechnung im mathematischen Sinn beherrschen. Aber das Grundverständnis lohnt sich trotzdem.

Erstens hilft es, moderne Numerik besser einzuordnen. Wer Tensoren nur als Marketingbegriff aus KI-Frameworks kennt, versteht viele wissenschaftliche oder technische Anwendungen nur oberflächlich.

Zweitens schafft es sprachliche Klarheit. Gerade in der KI werden Begriffe oft verkürzt benutzt. Das ist im Alltag okay, erzeugt aber schnell Missverständnisse, wenn man in technische Tiefe geht.

Drittens hilft es beim Denken über Datenstrukturen und Modelle. Tensoren erinnern daran, dass manche Probleme nicht nur mehr Daten haben, sondern eine andere Art von Struktur.

Einordnung

Tensoren sind kein Spezialfall der KI. Eher ist es umgekehrt: KI nutzt ein mathematisches und numerisches Konzept, das in Physik, Simulation, wissenschaftlichem Rechnen und Grafik schon lange eine tragende Rolle spielt.

Wer Tensoren nur als Container für Trainingsdaten betrachtet, verpasst den interessanteren Teil. Spannend wird das Thema dort, wo Tensoren nicht bloß Daten halten, sondern Beziehungen beschreiben, die ohne sie schwer oder unpräzise formulierbar wären.

Genau deshalb reicht ihr Einsatzbereich weit über Machine Learning hinaus.